#什么是Hog特征? 特征 :像素 运算
#再模板计算的基础上另加几步,haar特征是模板计算
#Hog特征计算步骤:
#1、模块划分 计算梯度 方向 模板 bin投影 每个模块的hog特征
#模块划分
# image 》 win 》 block 》 cell (size)
#win step block step cell step
#win特征计算最顶层单元》》object
#win size 50*100 25*50 64*128
#block size(wh) 16*16
#block step 8*8
#计算block count = ((64-16)/8+1)*((128-16)/8+1)=105
#cell size 8*8
#block= 4cell (cell1,cell2,cell3,cell4)
#在block下cell是固定不变的,不进行滑动
#cell梯度
#每个像素 《《梯度: 大小 幅值 ,方向 angle
#0-360/40=9 一个bin=40度
#one cell(360度信息) = 9 个bin
#hog特征维度
#haar特征 得到一个值
#hog特征得到的是一个向量(维度) 描述一个完整的object info
#维度=105(block个数)*4(一个block中cell的个数)*9(一个cell中九个bin)=3780
#计算梯度的方向和大小
#计算单位是像素,每个像素都有一个梯度
#每个像素梯度构成hog》》win窗体每个像素
#特征模板》》类似haar特征
#水平方向【1 0 -1】
#竖直方向【【1 】【0】 【-1】】
#a = 水平方向相邻像素之差
#p = 竖直方向相邻像素之差
#赋值f = 根号下(a的平方+p的平方)
#方向 = arctan(a/b)
#bin的投影 》》依赖于梯度
#bin的划分,一个bin0-40
#0-40度,0-20 or 180-200 作为第一个连续范围
#20-40 or 200-220作为第二个连续范围
#例: 梯度angle = 10 or 190
#则认为投影在bin1上,bin1的范围0-20 or 180-200
#刚好在bin的正中心 ,幅度
#如果bin不在正中心,则分解在两个bin上,bin1和bin2上
#f1=f*f(夹角) f2 = f*(1-f(夹角))
#夹角的范围在0-1.0之间
#改进 投影在某个区间对此区间+1》hog
#如何计算整个hog
#首先明确整个特征的维度(3780)
#3780维来源于win窗体
#每一个维度 就是一个bin
#cell0-cell3 bin0-bin8
#cell0:bin0-bin8
#cell1:bin0-bin8
#cell2:bin0-bin8
#cell3:bin0-bin8
#i,j cell0《bin0 f0
#i+1,j,cell0《bin0 f1
#sumbin0 = f0+f1
#权重累加
#cell的复用
#判决hog 【3780维】 svm line训练》》3780向量
#hog*3780维=值
#值大于判决值 》》目标
#值小于判决值》》非目标
41_Hog特征
最新推荐文章于 2023-08-10 22:00:00 发布